UNIVERSIDADE DE SÃO PAULO

ESCOLA DE ENGENHARIA DE SÃO CARLOS

DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO

OTIMIZAÇÃO DA MANUFATURA CELULAR POR SIMULAÇÃO COMPUTACIONAL:

ESTUDO DE CASO EM UMA EMPRESA DE AUTOPEÇAS

TRABALHO DE CONCLUSÃO DE CURSO

Murilo Melhado Baldi

Orientador: Walther Azzolini Junior

São Carlos
2014
 MURILO MELHADO BALDI

OTIMIZAÇÃO DA MANUFATURA CELULAR POR SIMULAÇÃO COMPUTACIONAL:

ESTUDO DE CASO EM UMA EMPRESA DE AUTOPEÇAS

Trabalho de Conclusão de Curso apresentado

à Escola de Engenharia da Universidade de São
Paulo para obtenção do título de Engenheiro de
Produção Mecânica.

Orientador: Prof. Dr. Walther Azzolini Junior

São Carlos
2014
 RESUMO

Este trabalho possui como objetivo apresentar o uso de ferramentas computacionais de

simulação para a otimização de fluxos de produtos, materias e informações, em um ambiente de
manufatura celular. Além disso, as ferramentas computacionais serão empregadas no estudo da
concepção e validação das células adotadas pela empresa, objeto de estudo deste trabalho.
Devido ao aumento de complexidade dos sistemas produtivos e, consequentemente,
dificultando as análises de processos de produção, fluxos de informação, produtos e pessoas,
empresas vêm buscando ferramentas de simulação computacional para auxiliar o entendimento e
comportamento de sistemas dinâmicos complexos, inclusive com a possibilidade de gerar
cenários para suportar uma decisão.
O trabalho apresenta um estudo de simulação celular desenvolvido no software Plant
Simulation®, além de vários algoritmos utilizados para a eficiente constituição de uma célula.
 ABSTRACT

This work presents the use of computational simulation tools to optimize flows, such as
products, materials and information, in a cellular manufacturing environment. Furthermore,
computational tools will be employed in the study of design and validation of cells adopted by
the company, subject of this study.
Due to the increasing complexity of production systems and hence, hindering the analysis
of production processes and information, products and people flows, companies are seeking
computer simulation tools to ease the understanding and behavior of complex dynamic systems,
including the possibility to generate scenarios that will be able to support a decision.
This paper presents a study of cell simulation developed with Plant Simulation®, and
also shows various algorithms used for an efficient cell formation.
 LISTA DE FIGURAS E TABELAS

Figura 1. Exemplo de classificação monocode.

Figura 2. Matriz de itens e máquinas.
Figura 3. Representação gráfica da matriz produtos e máquinas.
Figura 4. Layout da célula A.
Figura 5. Layout da célula B.
Figura 6. Mapeamento do fluxo de valor da célula A.
Figura 7. Mapeamento do fluxo de valor da célula B.
Figura 8. Representação geral do modelo de simulação.
Figura 9. Representação geral do modelo simplificado.
Figura 10. Gráfico de aptidão.

Tabela 1. Matriz de itens e máquinas.

 SUMÁRIO

1. INTRODUÇÃO ............................................................................................................................ 7
1.1. OBJETIVOS .......................................................................................................................... 8
1.2. ESTRUTURA DO TRABALHO .......................................................................................... 9
2. REVISÃO BIBLIOGRÁFICA ...................................................................................................... 10
2.1. TIPOS DE LAYOUT DE SISTEMAS DE MANUFATURA .............................................. 10
2.2. FORMAÇÃO DE CÉLULAS DE MANUFATURA .......................................................... 11
2.2.1. MODELOS HEURÍSTICOS ..................................................................................... 12
2.2.2. MODELOS MATEMÁTICOS .................................................................................. 16
2.2.3. OUTROS MODELOS ................................................................................................ 19
3. METODOLOGIA .......................................................................................................................... 21
4. DADOS COLETADOS ................................................................................................................. 22
4.1. MODELO DE SIMULAÇÃO ............................................................................................. 30
5. ADEQUAÇÃO DO MODELO DE SIMULAÇÃO ...................................................................... 33
6. ANÁLISE E DISCUSSÃO DOS RESULTADOS ........................................................................ 34
7. REFERÊNCIAS BIBLIOGRÁFICAS........................................................................................... 36
1. INTRODUÇÃO

Devido a fatores externos que afetam a competitividade e apresentam impacto cada vez
maior em escala global, empresas buscam alternativas de adequação do tempo de resposta no
fluxo de produção com custos operacionais e planos de investimento na manufatura exequíveis
para a conquista de novos mercados. Entre as alternativas uma delas consiste no projeto
consistente e operação eficiente de um sistema de produção.
Atualmente, a manufatura em lotes (batch manufacturing) responde por grande parte das
atividades produtivas, entretanto a mesma possui limitações e apresenta ineficiências quando o
lote produzido contém menos que 50 unidades.
Nesse caso, a elevada variedade de itens aliada ao baixo volume do lote produz efeitos
indesejáveis como elevados custos de setup, assim como de equipamentos e ferramentas
específicos de mais alto custo de aquisição e manutenção, elevados níveis de estoque e maior
suscetibilidade a deficiências logísticas, como consequência desses efeitos há a baixa eficiência
de ferramentas computacionais ou não envolvendo técnicas de planejamento e estimativas de
custos, por exemplo.
O conceito de Tecnologia de Grupo (TG) tem como base a redução dos tempos de setup,
do tamanho dos lotes e distâncias percorridas por itens. A Tecnologia de Grupo tenta conciliar a
alta flexibilidade oferecida por um layout jobshop com a alta produtividade de um layout
flowshop.
O pressuposto básico do conceito de TG reside no fato de que muitos problemas no
contexto da manufatura são similares em muitos aspectos, e que se explorados, essas
similaridades podem contribuir para que esses problemas sejam classificados de uma mesma
forma e uma solução estratégica de manufatura pode ser aplicada com sucesso na resolução
desses problemas (OZDEN et al., 1985; DURIE, 1970; SÉRIO, 1990).
Essa classificação com o foco na resolução dos problemas pode ser feita de diversas
formas, por exemplo, um grupo de produtos pode ser classificado pelas suas características de
tipo de produto, material, formato, dimensão, tipo de processo envolvido, aspectos do manuseio
do produto, etc.
Esses exemplos de classificação buscam acima de tudo, auxiliar o planejamento e
controle da produção, bem como atingir economia no uso dos recursos (OZDEN et al., 1985;
FERNANDES & FILHO, 2010).
Atualmente, empresas vêm recorrendo à simulação computacional para auxílio em
análises de um ambiente produtivo. Trata-se de uma prática pouco explorada na literatura, que
possibilita a análise de sistemas dinâmicos e complexos, utilizando para isso modelos
matemáticos, especialmente aqueles que apresentam componentes interativos, como ocorre em
sistemas de manufatura.
A simulação computacional, aplicada à sistemas de manufatura, possibilita a otimização
do mesmo pelo processo de atribuir diferentes valores à variáveis que podem ser controladas,
obtendo como resultado ótimo uma combinação de valores que provê a solução mais adequada
do sistema.
O presente trabalho foi desenvolvido em conjunto com uma empresa do segmento de
autopeças, localizada no interior do estado de São Paulo. A empresa parceira é responsável pela
montagem de conjuntos de embreagens para veículos comerciais e de passeio leves e possui
como principais clientes o mercado de reposição e montadoras.
Este trabalho aborda o fluxo de produção de um sistema de manufatura com layout
celular, configuração esta adotada pela empresa estudada.

1.1 OBJETIVOS

O presente rabalho tem como objetivo criar um modelo computacional de uma célula de
manufatura da empresa parceira que garanta um ótimo fluxo de materiais, assim como um
agendamento de tarefas(scheduling) eficiente, definidos por algoritmos. Será realizada,
posteriormente, a aplicação do projeto na empresa objeto de estudo.

1.2 ESTRUTURA DO TRABALHO

Com este propósito o trabalho foi realizado a partir das fases:

1) 1 Fase – definição de duas células de manufatura como objeto do estudo e na sequência o
mapeamento do fluxo de valor de ambas com base nos roteiros de fabricação da família
de produtos processados pelas células e uso da cronoanálise em casos específicos para
validação dos tempos padrão;
2) 2 Fase – validação dos mapas de fluxo de valor atual e avaliação da possibilidade de
adequação do fluxo de valor com o objetivo de propor o mapa futuro, caso necessário,
com o apoio da engenharia de processos da empresa objeto do estudo;
3) 3 Fase – uso de heurísticas específicas para validação da tecnologia de grupo quanto à
disposição das máquinas nas células de manufatura abordadas e atribuição das famílias de
produtos de acordo com a estrutura atual de operação das mesmas;
4) 4 Fase – análise dos resultados quanto à validação da tecnologia de grupo;
5) 5 Fase – Estudo do modelo de simulação desenvolvido e utilizado pela empresa para
outras células de manufatura a partir do software de simulação Plant Simulation;
6) 6 Fase – Treinamento do uso do software de simulação Plant Simulation;
7) 7 Fase – Adequação do modelo de simulação desenvolvido e utilizado pela empresa para
as células objeto de estudo do presente trabalho e validação dos resultados obtidos na
simulação com os dados reais de processo;
8) 8 Fase – Análise dos resultados obtidos a partir da simulação da operação das células de
manufatura objeto do estudo do presente trabalho;
9) Considerações Finais.
 Desse modo o presente trabalho foi dividido nas seguintes etapas:

- Introdução;
- Revisão Bibliográfica;
- Aplicação da Tecnologia de Grupo para validação do fluxo de produção ideal;
- Adequação do modelo de simulação;
- Análise e Discussão dos resultados;
- Considerações Finais.
2. REVISÃO BIBLIOGRÁFICA

2.1 TIPOS DE LAYOUT DE SISTEMAS DE MANUFATURA

Existem, basicamente, quatro tipos de layouts amplamente aplicados a sistemas de

manufatura, são eles:

- Posição fixa ou posicional;

- Por produto ou linear;
- Por processo ou funcional;
- Celular.

Posição fixa:
Este tipo de layout está associado à produção de itens impossibilitados de locomoção ou
que possui tamanho e peso expressivos, como edifícios, navios, aeronaves, entre outros. Há,
nesse caso, movimentação de componentes e equipamentos para o local de fabricação do produto
resultante, uma vez que o mesmo é fixo.
A estrutura proporcionada por este tipo de layout apresenta grande flexibilidade e
variabilidade na fabricação de itens e é passível de receber mudanças significativas desde o
projeto do produto assim como no volume de produção. De fato, cada produto pode ser único.
Há demanda, neste tipo de sistema, por trabalhadores altamente capacitados já que a
identificação de tarefas é mais complexa se comparada a outros tipos de layout. Muitas vezes, a
abordagem por equipes multifuncionais é utilizada.

Layout por produto:

São características deste tipo de layout o alto volume de produção e a baixa variedade de
itens. As operações são arranjadas de forma sequencial, e podem apresentar um fluxo contínuo
ou discreto de itens produzidos.
Layouts orientados a produtos requerem equipamentos específicos, muitas vezes
automatizados, os quais elevam substancialmente o investimento inicial. Caso haja necessidade
de mudanças no produto, devido à baixa variabilidade deste tipo de sistema, pode ser requerida
uma reorganização na disposição de equipamentos, operações e subsistemas.
Este tipo de layout apresenta tarefas simples e repetitivas, desta maneira não é necessária
alta capacitação da mão-de-obra, além disso, o fluxo de materiais e informações é lógico e
simples, de fácil controle.

Layout por processo:

 Este tipo de layout está associado a um baixo volume de produção e alta variedade de
produtos, como em sistemas jobshop. Ocorre, neste caso, um agrupamento de processos
similares.
O layout organizado por processos favorece a flexibilidade em detrimento da eficiência o
que, por sua vez, torna mais complicada a tomada de decisões operacionais, além disso, nota-se
que o fluxo de materiais, muitas vezes, não é organizado, contribuindo para a situação anterior.
Devido à sua forma de organização, o layout por processos apresenta altos níveis de
estoque e leadtimes.

Layout celular:
Slack et al. (1999) descreve que o arranjo físico celular é aquele em que os recursos
transformados, entrando na operação, são pré-selecionados a partir de atividades comuns no
processo produtivo. Nele é feito o agrupamento de tarefas com o objetivo de formar famílias de
produtos. Tarefas diferentes podem ser agrupadas em famílias devido a sequências comuns de
operações, materiais que as compõem, equipamentos necessários, ou similaridade de manuseio,
estoque e controle.
Este tipo de layout proporciona alto volume de produção aliado a baixa variedade de
produtos. Equipamentos específicos normalmente são utilizados e, assim como no layout por
produto, o fluxo de materiais e informações é simples e lógico, contribuindo assim para facilitar
o controle.

2.2 FORMAÇÃO DE CÉLULAS DE MANUFATURA

Para a formação de células poder ser realizada de forma eficiente, necessita-se,

primeiramente, do agrupamento inteligente de itens a serem manufaturados. Desse modo, deve-
se considerar tipo de produto, assim como suas dimensões, forma, material, processo de
fabricação, distribuição, segundo as premissas do conceito de Tecnologia de Grupo.
Primeiramente, os itens devem ser classificados e codificados para realizar o
agrupamento em famílias, atributos como dimensões, tipo de material, processos de fabricação
devem ser considerados. A Figura 1 mostra um exemplo de classificação baseado em uma
sequência numérica em que cada dígito depende do anterior (monocode).
 Figura 1 – Exemplo de classificação monocode

2.2.1 MODELOS HEURÍSTICOS

O principal objetivo apresentado pelos algoritmos descritos nesta sessão de modelos

heurísticos reside na atribuição de itens às famílias de produtos, essencial para estudos de
formação de células manufatureiras em si. Uma das possíveis maneiras de obter soluções, isto é
famílias de itens, é minimizando a função distância, calculada segundo a equação de Minkowski:

dpq = (∑|Xpk – Xqk|^r)^1/r (1)

Em que p e q são itens, X, o código atribuído aos mesmos e k, a quantidade de dígitos do

sistema de codificação.

Após esta etapa, segundo o algoritmo, devem-se agrupar as partes que apresentam
menores distâncias e recalculá-las, segundo a equação 2.1. Após uma série de iterações é
possível identificar o arranjo ótimo de itens de uma mesma família, considerando os atributos
apresentados anteriormente e, dessa maneira, definir a família que minimiza as distâncias em
questão.

Outro modelo, denominado P-median, consiste em identificar minimizar ƒ famílias de

itens e minimizar as distâncias entre as mesmas, e seus respectivos itens baseando-se em um
valor médio relativo a cada família. Este algoritmo permite a melhor combinação de variáveis
para obter a solução ótima, descrito pela função:
Min ∑∑dpq Xpq

Sujeito a:
∑Xpq = 1 e,
∑Xqq = ƒ

Em que,
dpq ≥ 0, para p ≠ q
dpq = 0, para p = q e
Xpq = 1 caso o item p pertença à família de q.

Até então, os algoritmos apresentados têm o propósito de identificar e formar famílias de

produtos, utilizando para isso, atributos como planejamento de processos, custos, vendas. Isto é
feito mediante a definição de uma distância, a qual deve ser minimizada, que representa a
similaridade entre itens de uma família.
Agora, como parte de um conceito mais amplo de célula de manufatura, os algoritmos
apresentados nesta seção têm como ênfase a manufatura, identificando famílias de produtos e
grupos de máquinas ótimos, isto é, que possuam a menor interação com outros grupos ou
elementos externos, durante o processamento dos itens.

Um dos algoritmos utilizados denomina-se Bond Energy Algorithm (BEA), desenvolvido

por McCormick, Schweitzer e White, e é capaz de identificar grupos em arranjos complexos de
dados em forma matricial, distribuindo-os de maneira mais uniforme.
O algoritmo inicia-se a partir de uma matriz binária de itens (produtos) e máquinas,
estabelecida previamente, representada na Figura 2, e utiliza uma medida de eficiência para um
determinado arranjo A, ME (A), calculada segundo:

ME (A) = ½ ∑ ∑ apm[a p,m+1 + a p,m-1 + a p,+1,m + ap-1,m]

Em que:
a0,m = aP+1,m = ap,0 = ap,M+1 = 0
apm = 1, caso seja necessário processamento do item p na máquina m.
apm = 0, caso contrário.
 Figura 2 – Matriz de itens e máquinas

A função ME deve ser maximizada considerando todas as permutações possíveis, ou seja,

P!M! combinações.
A ordenação de elementos obtida no fim depende da escolha de linhas ou colunas
iniciais, sendo assim, uma limitação do algoritmo.

Outro algoritmo, Rank Order Clustering (ROC), baseia-se em princípios do anterior

(BEA), para cálculo de eficiência, entretanto é de mais fácil implementação computacional uma
vez que a cada linha da matriz itens (produtos) e máquinas é atribuído um valor decimal (Cm),
convertido de seu valor binário equivalente, que deve ser reduzido a cada iteração até que não
haja mudanças entre iterações subsequentes. Cm é calculado segundo:

Cm = ∑ 2^(P-p) apm (apm = 0 ou 1)

Em que m representa o número de linhas da matriz.

Este algoritmo apresenta limitações computacionais, dessa forma pode representar até 47
linhas e colunas. Além disso, há dependência da matriz inicial para obtenção dos melhores
resultados, perdendo-se a arbitrariedade da escolha inicial.

De maneira a superar algumas restrições do algoritmo anterior, foi desenvolvido o ROC 2

que elimina o cálculo de decimal equivalente e utiliza um rearranjo de linhas distinto, em que o
usuário deve identificar o maior número de colunas que apresentem 1 como o elemento mais à
direita e assim, realizar a mesma manipulação com as linhas, até que não ocorram mudanças na
organização da matriz.

Outra variação de ROC encontrada na literatura é a Modified Rank Order Clustering

(MODROC), que distingue-se do primeiro por remover o bloco de colunas que apresentam 1s,
no canto superior esquerdo da matriz após terem sido realizadas as iterações de ROC. A iteração
termina uma vez que não existam mais elementos como descritos na matriz.
Esse processo é utilizado para eliminação de famílias mutuamente exclusivas que podem ter sido
formadas.
 Em 1982, foi proposto por Chan e Milner o Direct Clustering Algorithm (DCA) que
rearranja as linhas, da matriz binária de itens e máquinas, que possuem elementos 1s à esquerda
para cima e as colunas com elementos 1s na parte superior, para a esquerda. Esse rearranjo é
realizado de forma iterativa até que não existam mais modificações entre iterações subsequentes.
O DCA não garante soluções aceitáveis, uma vez que não necessariamente produz soluções
diagonais.

Outro método, proposto por Iri (1968), denominado Cluster Identification Algorithm
(CIA) identifica se uma matriz possui blocos diagonais, que podem constituir uma solução
ótima. O processo consiste em desconsiderar, esconder as colunas de elementos 1s em uma dada
linha da matriz, em seguida, esconder os as linhas em que se encontram os elementos 1s das
colunas desconsideradas anteriormente. O algoritmo deve ser repetido até que o número de
colunas e linhas pare de aumentar, como resultado, blocos diagonais podem ser obtidos
constituindo assim, uma solução válida.

Alguns algoritmos utilizam-se de coeficientes para identificar grupos de máquinas para,

posteriormente, utilizando outros métodos, atribuir famílias de produtos.
Dentre eles podemos destacar o Single Linkage Clustering (SLC), desenvolvido por
McAuley (1972) que antes de analisar a matriz itens e máquinas define um coeficiente de
similaridade entre duas máquinas, baseando-se no número de produtos que passam pelas
mesmas, como apresentado na Tabela 1.

Máquina n \ Máquina m 1 0

1 a b

0 c d
Tabela 1 – Matriz de itens e máquinas

O cálculo do coeficiente é dado por:

Smn = a /(a + b+ c), 0.0 ≤ Smn ≤ 1.0.

Em que a é o número de itens que passam por ambas as máquinas, b apenas a máquina m,
c apenas a máquina n e d, nenhuma das duas.
Este coeficiente apresenta máxima similaridade quando Smn = 1 e nenhuma quando Smn = 0.
Desta forma, são reunidas, em um grupo de máquinas, aquelas que apresentam maior
valor de Smm. O processo continua até que um desejado número de grupos tenha sido formado.

Stv = Max{Smn}, com m pertencendo a t e n, a v.

 Além do SLC, existe o Complete Linkage Clustering (CLC), que atua da mesma forma,
porém agrupa máquinas baseando-se no valor mínimo do coeficiente Smn.

Stv = Min{Smn}, com m pertencendo a t e n, a v.

Além destes métodos há o Average Linkage Clustering (ALC), o qual, diferentemente de

SLC e CLC que consideram valores extremos do coeficiente Smn, utiliza um valor médio,
calculado baseando-se não apenas em um par de máquinas.
Dessa maneira, o grupo de máquinas é determinado segundo:

Astv = ∑ ∑ Smn / Nt*Nv

Em que Nt e Nv correspondem ao número de máquinas presentes no grupo t e v,

respectivamente.

Outro algoritmo, baseado em coeficientes, é o Linear Cell Clustering (LCC), proposto

por Wei e Kern (1989) que agrupa máquinas segundo um coeficiente de similaridade, semelhante
aos métodos apresentados anteriormente, entretanto, este considera itens que não são
processados em nenhuma das máquinas (representados por d na Tabela 1). Além disso, o
algoritmo pode ser adaptado para considerar uma gama de valores pertinentes ao tamanho e
quantidade de células que deverão ser formadas futuramente.
O coeficiente de LCC pode ser calculado segundo:

Cmn = ∑ δ(apm,apn)

Em que:

δ(apm,apn) = (P-1), se apm = apn = 1

δ(apm,apn) = 1, se apm = apn = 0
δ(apm,apn) = 0, se apm ≠ apn

2.2.2 MODELOS MATEMÁTICOS

Os algoritmos que serão apresentados nesta sessão constituem modelos matemáticos que,
diferentemente das heurísticas discutidas até este ponto, não são afetados pela natureza dos dados
e soluções iniciais.
Serão apresentados modelos matemáticos que podem ser empregados na formação de famílias de
produtos e em agrupamento de máquinas.
 Proposto por Kusiak (1987), o P-Median Model identifica famílias de produtos
maximizando o parâmetro de similaridade, Spq, ao invés de minimizar a distância, como no
modelo P-Median anterior. Para isso, o modelo seleciona uma determinada quantidade de
medianas e as atribui às famílias, de forma que a soma do parâmetro similaridade seja a maior
possível.
Spq é calculado segundo:

Spq = ∑ δ(apm, apn)

Em que:
δ(apm, apn) = 1, se apm = apn
δ(apm, apn) = 0, caso contrário

Uma das limitações do modelo é desconhecer o número ideal de medianas de forma a

produzir a solução ótima. Limitação essa explorada pelo modelo seguinte, denominado
Assignment Model, capaz de identificar famílias e grupos de máquina por meio da mesma função
similaridade, expressa anteriormente.
Neste modelo temos os seguintes parâmetros:

Xpq = 1, se os produtos p e q estão conectados

Xpq = 0, caso contrário

Ymn = 1, se as máquinas m e n estão conectadas

Ymn = 0, caso contrário

Para identificação de famílias:

Max ∑ ∑ SpqXpq

Para agrupamentos de máquinas:

Max ∑ ∑ SmnYmn

Este modelo oferece maior qualidade da solução e menor tempo computacional se comparado ao
P-Median.

Outro modelo, denominado Quadratic Programming Model, baseia-se nos anteriores,

porém considera as interações entre elementos de uma mesma família ou grupo.
Assim:
Xpf = 1, se o item p é atribuído à família f
Xpf = 0, caso contrário

A função a ser maximizada, neste caso, é dada por:

∑ ∑ ∑ Spq Xpf Xqf

Alguns modelos matemáticos oferecem representação gráfica da matriz produtos e

máquinas, formada por nós, que representam um conjunto de produtos e máquinas, e arcos, os
quais podem ser entendidos como a relação de requerimento entre um item e uma máquina.
Nestes modelos gráficos são feitas decomposições de maneira que sejam formados
famílias e grupos, como mostrado na figura 3, em que X representam produtos, itens e Y,
máquinas.

Figura 3 – Representação gráfica da matriz produtos e máquinas

Além destes, há o modelo de atribuição não-linear que considera elementos especiais não
contemplados nos algoritmos anteriores, como uma máquina que deve processar todos os itens
de várias famílias, ou então, itens que são processados em apenas determinadas máquinas de
maneira a maximizar a ocupação. Isso pode ser feito mediante atribuição de peso(W) a
determinados elementos que requerem atenção especial.
Assim, este modelo deve minimizar:

W*∑ ∑ ∑ am Xpc(1-ymv) + (1-W)*∑ ∑ ∑ (1-apm)XpcYmc

Em que:

apm = 1, se o item p necessita de processamento na máquina m

apm = 0, caso contrário

Xpc = 1, se o item p for alocado na célula c

Xpc = 0, caso contrário

Ymc = 1, se a máquina m for atribuída à célula c

Ymc = 0, caso contrário

2.2.3 OUTROS MODELOS

Além dos modelos matemáticos descritos anteriormente, o conceito de algoritmo

genético também pode ser empregado para obter grupos de máquinas e famílias de produtos.
Um algoritmo genético (AG) inicia com uma população de indivíduos (cromossomos)
que representam possíveis soluções do problema a ser resolvido. A população é avaliada e cada
cromossomo recebe uma nota, denominada aptidão. Os melhores cromossomos (mais aptos) são
selecionados e os piores descartados. Os selecionados podem sofrer cruzamento e mutação,
gerando descendentes para a próxima geração. O processo continua até que uma solução
satisfatória seja encontrada.
Aplicando o AG neste problema percebe-se que um cromossomo pode representar uma
célula e cada gene, uma máquina ou produto. A ordenação dos genes no cromossomo representa
o posicionamento dessas máquinas e produtos em uma célula.
Exemplificando, supondo que existam M máquinas, em que M = 5, além de P produtos,
com P = 5, desejando-se formar 3 células.
O cromossomo resultante pode ser representado como: (2,1,2,1,3 | 2,2,3,3,1). As primeiras cinco
posições referem-se às máquinas e as demais, a produtos. Logo, temos as seguintes células:

Célula 1: Máquinas 2 e 4; Produto: 5.

Célula 2: Máquinas 1 e 3; Produtos: 1 e 2.
Célula 3: Máquinas 5 e 4; Produtos: 3 e 4.

A função aptidão deve maximizar a ocupação de elementos na célula, assim, ela pode ser
representada por:

F(t) = Fmax – g(t), quando g(t) < Fmax

F(t) = 0, caso contrário
 Em que g(t) corresponde ao valor objetivo, soma ponderada das ociosidades dentro da
célula, e Fmax, ao maior valor objetivo obtido em cada iteração.

Além da heurística algoritmo genético, o conceito de redes neurais também pode ser
empregado na formação de células.
O modelo de redes neurais imita a forma com que decisões são geradas em neurônios,
que combina reconhecimentos de padrão, know-how e até intuição. O modelo consiste em
unidades de processamento conectadas entre si, essas conexões possuem ponderação, simulando
ações inibidoras e estimuladoras. Cada unidade de processamento recebe sinais dessas conexões,
aplica uma determinada função e envia o sinal a outras unidades a ela conectadas. Esta operação
é realizada de forma dinâmica e contínua.
Neste algoritmo, cada conjunto de unidades de processamento representa um tipo de
elemento (máquinas, produtos e células) que têm seus sinais (enviados e recebidos) combinados
e analisados por uma função linear ou não-linear. Acrescentam-se ponderações (Wij) aos sinais
dessas unidades de processamento, que podem ser calculadas segundo:

Wij = sij – A, para i ≠ j

Wij = 0, para i = j.

Em que i e j representam produtos e máquinas, respectivamente; sij é o coeficiente de

similaridade de Jaccards e A, calculado por:

A = ∑ ∑ sij / n(n – 1)

A combinação dos sinais enviados e recebidos, acrescentando-se influências de outras unidades

de processamento, pode ser representada por:

netinput (i) = ∑ Wij output (i) + extinput (i)

Todos os modelos anteriormente apresentados oferecem artifícios para formação de

grupamentos de máquinas e/ou famílias de produtos, além de sequenciá-los otimamente, que
constituirão uma célula de manufatura, entretanto, para isso, não são considerados aspectos
relativos à implantação dessas células como custos de processamento, capacidade de
atendimento da demanda, planos de processo e outros atributos que compõe a estratégia
organizacional de uma empresa. Então, foram desenvolvidos diversos algoritmos para
proporcionar a inclusão dessas características.
Neste algoritmo, o agrupamento de máquinas é atribuído às famílias previamente
delimitadas, e é dado pela seguinte função a ser minimizada:
Min ∑ CmZmf + ∑ (∑ams(lkp)cms(kp))X(lkp)

Sujeito a:

∑ X(lkp) ≥ dk

∑ βkf ∑ (∑ams(lkp)tms(kp))X(lkp) ≤ bmZmf

Em que:

bm corresponde ao tempo disponível em cada tipo de máquina m;

Cm é o custo de cada máquina do tipo m;
c = 1, 2, ..., C é o número de células;
dk corresponde a demanda pelo produto k;
k = 1, 2, ..., K é o número de produtos;
l = 1, 2, ..., L (kp) corresponde aos planos de produção, para kp combinações;
m = 1, 2, ..., M, o número de máquinas;
p = 1, 2, ..., Pk, planos de processo para o item/produto k;
s = 1, 2, ..., S(kp), operações para (kp) combinações;
X(lkp) corresponde à quantidade de itens k produzidos segundo o plano de processos p e plano
de produção l;
Zmf corresponde ao número de máquinas m utilizadas para produzir itens na família f.

ams(lkp) = 1, se no plano l a máquina m é atribuída a operação s para todas (kp) combinações

ams(lkp) = 0, caso contrário

cms(kp) = custo para a máquina m realizar a operação s para todas (kp) combinações
cms(kp) = ∞, se a máquina m não puder realizar esta operação

tms(kp) = tempo para a máquina m realizar a operação s para todas as (kp) combinações
tms(kp) = ∞, caso a máquina m não possa realizar a operação em questão

βkf = 1, se o produto k pertence à família f

βkf = 0, caso contrário

3. METODOLOGIA

Para a realização do objetivo proposto na empresa estudada serão aplicados alguns

modelos e algoritmos apresentados na seção de revisão bibliográfica do presente trabalho.
 Dentre os diversos algoritmos mencionados serão selecionados aqueles mais apropriados,
considerando os dados obtidos durante o processo de coleta de informações e as condições gerais
da organização.

4. DADOS COLETADOS

Nesta sessão serão apresentadas, como objeto de estudo, características principais de duas
células de manufatura da empresa de autopeças estudada.
Os dados coletados são parte integrante deste trabalho e serão analisados com base nos
algoritmos apresentados anteriormente.

CÉLULA A:
Célula de manufatura responsável pela montagem do conjunto disco de embreagem pequeno.

OPERAÇÕES:
10 - Montar pré-amortecimento e dispor para o posto de montagem manual. (Operação realizada
fora da célula A).

20 - Rebitar disco de torção e molas de guarnição utilizando rebites maciços:

Nessa operação utilizam-se os seguintes componentes: discos de torção, molas de guarnição e
rebites maciços para realizar a montagem do subconjunto. Há um operador que realiza tanto a
montagem do conjunto com molas de guarnição (inserir componentes e retirar subconjuntos do
equipamento) como o abastecimento, e participa também da operação seguinte.
Trata-se de uma operação automatizada cujo tempo de ciclo é de 18,36 segundos.

30 - Rebitar guarnições no subconjunto da operação anterior utilizando rebites tubulares e

colocar anel auto centrante no subconjunto:
Nesta operação há colocação do componente anel auto centrante no subconjunto anterior,
realizado, de forma automatizada, pela estação de trabalho SAX, o subconjunto resultante dirige-
se, por meio de uma esteira, até o posto de trabalho seguinte.
Ambos operadores da operação 20 participam desta etapa, cujo tempo de ciclo corresponde a
12,03 segundos.

40 - Montar pacote torcional e dispor conjunto para próxima operação:

40.1 - Montagem 1:
Há abastecimento dos seguintes componentes para a montagem do conjunto: anel de atrito, anel
ondulado, anel auto centrante, molas helicoidais externas, flange do cubo, placa de controle e
anel de pressão. Esses componentes são montados no subconjunto anterior por um operador
exclusivo, na mesa 1 da bancada de montagem.
Tempo de ciclo: 12,89 segundos.

40.2 - Montagem 2:
São adicionados ao subconjunto anterior os seguintes componentes: pinos distanciadores, pacote
de pré-amortecimento e disco de retenção. Assim como a suboperação 40.1, há um operador
exclusivo para a montagem.
Tempo de ciclo: 13,77 segundos.

50 - Prensar subconjunto:
Nesta operação é utilizada a prensa para realizar a prensagem do subconjunto anterior. Devido ao
balanceamento da célula e aos processos automatizados, as operações 50, 70 e 80 são realizadas
por um único operador, em um layout disposto em U.
O tempo de ciclo desta operação corresponde a 8,80 segundos.

60 – Verificação de Balanceamento:
Esta operação consiste no balanceamento do subconjunto utilizando uma balança que é dividida
com outra célula de manufatura. A operação em questão é eventual, e realizada apenas quando
requisitada pelo cliente, o que pode ocorrer caso haja inconformidades nas especificações de
determinado lote, ou mesmo para garantir a conformidade de todos os conjuntos.

70 - Medir características funcionais:

Esta operação consiste em realizar medições de características funcionais do conjunto, além
disso, atua como um dispositivo à prova de falhas, Poka Yoke.
O tempo de ciclo desta etapa corresponde a 18,09 segundos.

80 - Gravar conjunto a laser:

Nesta etapa ocorre a gravação a laser do conjunto advindo da operação anterior, segundo
codificação que varia conforme o cliente. O processo é automatizado e possui tempo de ciclo
igual a 7,69 segundos.

90 - Fazer inspeção visual no conjunto:

Esta operação corresponde a uma etapa de verificação final das características do conjunto, é
realizada manualmente por um operador. O conjunto é então disposto em um cesto que será
expedido posteriormente.
O tempo de ciclo dessa operação corresponde a 17,75 segundos.

CÉLULA B:
Responsável pela montagem e usinagem do platô pequeno.

OPERAÇÕES:
10 – Usinagem da placa de pressão:
Nesta operação ocorre a usinagem da placa de pressão a partir de uma peça bruta, assim como a
inspeção visual e medições de características críticas, relativas ao controle de qualidade. O
abastecimento da célula é realizado conforme a figura 5, e esta operação é realizada em duas
estações de trabalho distintas.
Há um operador que realiza as funções supracitadas em cada uma das estações de trabalho e
dispõe os subconjuntos resultantes, manualmente, para a próxima operação. Estes mesmos
operadores são também responsáveis pelas operações 15 e 20.
Caso a peça seja reprovada no Controle de Qualidade, a mesma será segregada das demais e
disposta em local apropriado.
O tempo de ciclo médio desta etapa corresponde a 17,88 segundos.

15 - Furação:
A etapa de furação é normalmente realizada como suboperação da operação 10, entretanto,
devido à manutenção no ferramental do torno, esta foi desvinculada e figura como uma operação
independente e subsequente, em relação a 10.
O fluxo de subconjuntos ocorre, manualmente, segundo a figura.

20 – Oleamento da placa de pressão:

Nesta etapa ocorre o oleamento dos subconjuntos provenientes das operações anteriores e a
disposição dos mesmos para a etapa seguinte, por meio de esteira.

30 - Montagem do conjunto platô:

Esta operação é composta por duas suboperações, são elas: montagem da placa de pressão com
mola de retrocesso e rebitação do subconjunto resultante; e medição de características críticas e
disposição da peça, por meio de esteira, para a operação seguinte. Os componentes utilizados na
montagem estão estocados na estação de trabalho.
São empregados dois operários, em uma operação semi-automática cujo tempo de ciclo
corresponde a 15,50 segundos.

40 - Balanceamento conjunto platô:

Nesta etapa é medido e corrigido o nível de desbalanceamento do conjunto, caso sejam
constatadas inconformidades. Existem, também, duas estações de trabalho.
Há o abastecimento da estação de trabalho com rebites de balanceamento e disposição, por meio
de esteira, para a operação seguinte.
É empregado um operador para colocação da peça no dispositivo e para acrescentar os rebites de
balanceamento, sendo que as suboperações de medição e conferência são automáticas.
O tempo de ciclo médio corresponde a 15,70 segundos.

50 - Regular mola membrana:

Nesta operação é realizada a regulagem do conjunto platô anterior e a disposição, manual, do
mesmo para a próxima etapa. Verifica-se a altura e oscilação da mola membrana. Trata-se de um
processo manual realizado por um operador cujo tempo de ciclo corresponde é de 15,78
segundos.

60 - Medir carga:
Nesta etapa são medidas características críticas do conjunto platô mediante aplicação de carga,
de forma a satisfazer a estreita faixa de tolerância do conjunto. Trata-se de uma operação é
automática e o operador (mesmo da operação 70) realiza a disposição das peças para a etapa
seguinte, manualmente, e o setup da máquina de medição de carga e Laser.
O tempo de ciclo corresponde a 18,69 segundos.

70 – Gravar de identificação a laser e oleamento do conjunto:

Essa operação é responsável por realizar a gravação a laser do conjunto anterior. O operador
(mesmo da operação anterior) é responsável pelo trânsito da peça, a fixação da mesma no Laser e
oleamento do conjunto para proteção da gravação de identificação.
O tempo de ciclo desta etapa corresponde a 15,03 segundos.

80 - Inspeção final, e embalagem (Montagem de Kit):

É realizada a inspeção final (visual) do conjunto platô, além da verificação da gravação do
código de barras, por um operador, assim como a embalagem final do item. Os conjuntos são
dispostos, manualmente, em locais apropriados (pontos de estoque) para a futura expedição.
O tempo de ciclo desta operação corresponde a 12,83 segundos.
Figura 4 - Layout da célula A
 Figura 5 - Layout da célula B

Legenda das figuras 4 e 5:

Fluxo de produtos

Fluxo eventual de produtos

Para a complementação do estudo de otimização das células apresentadas anteriormente,

realizou-se o mapeamento do fluxo de valor de ambas as células, os quais estão representados
nas figuras 6 e 7.
Figura 6 – Mapeamento do fluxo de valor da célula A
Figura 7 – Mapeamento do fluxo de valor da célula B
4.1 MODELO DE SIMULAÇÃO

Conjuntamente com a empresa objeto de estudo deste trabalho, foi desenvolvido um

modelo utilizando o software Plant Simulation®, que visa retratar o estado atual das células A e
B, apresentadas anteriormente.
O modelo considera três processos básicos, são eles: o estoque de componentes;
manufatura (montagem dos componentes) e o estoque de produtos acabados. Esses processos são
auxiliados por seis métodos (rotinas de programação), os quais fornecem informações como
ordens de produção, critérios de sequenciamento de ordens, tempos de ciclo, setup de operações
da manufatura, entre outras.
A representação geral do modelo pode ser observada na Figura 8.

Figura 8 – Representação geral do modelo

Entre os métodos (rotinas de programação) desenvolvidos, pode-se citar o responsável

pela atribuição de ordens à manufatura, detalhado em seguida:

for i:= 1 to tabProgrDoDia.yDim loop

if tabProgrDoDia["status", i] = "A" and pos(aCelula,
tabProgrDoDia["celula", i]) > 0 then
k:= tf_progrCel.yDim + 1;

tf_progrCel["OrdemProd", k]:= tabProgrDoDia["OrdemProd", i];

tf_progrCel["Material" , k]:= tabProgrDoDia["Material" , i];
tf_progrCel["idxCli" , k]:= tabProgrDoDia["idxCli" , i];
tf_progrCel["idxProgr" , k]:= i;
tf_progrCel["diaOP" , k]:= tabProgrDoDia["diaOP" , i];
tf_progrCel["diaPlan" , k]:= tabProgrDoDia["diaPlan" , i];
tf_progrCel["diaProgr" , k]:= tabProgrDoDia["diaProgr" , i];
tf_progrCel["lTime" , k]:= tabProgrDoDia["lTime" , i];
tf_progrCel["qtdOP" , k]:= tabProgrDoDia["qtdOP" , i];
tf_progrCel["embOP" , k]:= tabProgrDoDia["embOP" , i];
end;

Este método está interligado ao programa de coordenação de ordens da fábrica, desta

forma, o trecho de código irá executar uma varredura por ordens abertas e atribuí-las à tabela
tf_progrCel, utilizada pelo modelo, para que se possa iniciar a montagem dos componentes.
Outro método de extrema utilidade é aquele responsável pelos critérios de
sequenciamento de ordens, em que os diversos tipos de clientes são discriminados e suas
importâncias relativas são atribuídas. Além disso, estão inclusos critérios de priorização de
pedidos em atraso assim como de retardo, ou suspensão temporária, daqueles em que haja falta
de componentes.

for i:= 1 to tf_progrCel.yDim loop

tf_progrSeq["OrdemProd", i]:= tf_progrCel["OrdemProd", i];
next;

for i:= 1 to tf_progrCel.yDim loop

idxCli:= tf_progrCel["idxCli" , i];
sOP := tf_progrCel["OrdemProd", i];
sMat := tf_progrCel["Material" , i];

sSuf := tfCli["Mercado", idxCli];

O trecho de código executa os diferentes tipos de critérios escolhidos pelo usuário, neste
modelo são empregados critérios como tipo de cliente, representados por idxCli; prazo de
entrega do produto acabado, sOP; e disponibilidade de componentes, sMat.
Este outro método a seguir é responsável por providenciar informações relativas à
produção, tais como, tempos de ciclo, setup, tempo takt, tamanho de lote, descrição dos
componentes e produtos finais, e filtrá-las de acordo com cada célula produtiva, fornecendo
assim informações indispensáveis para o funcionamento das células A e B.

tf_procPadrao.delete({0,0}..{*,*});
tf_procPadrao[ 0, 0]:= "Material";
tf_procPadrao[ 1, 0]:= "Descricao";
tf_procPadrao[ 2, 0]:= "tact time";
tf_procPadrao[ 3, 0]:= "tact efic";
tf_procPadrao[ 4, 0]:= "set up";
tf_procPadrao[ 5, 0]:= "lote min";
tf_procPadrao[ 6, 0]:= "lote mult";

for i:= 4 to tf_SAP_procPadrao.yDim loop

if tf_SAP_procPadrao[ 0, i] = "" then
exitLoop;
end;

j:= tf_procPadrao.yDim + 1;
 tf_procPadrao["Material", j]:= tf_SAP_procPadrao[ 0, i] +
tf_SAP_procPadrao[ 1, i];
tf_procPadrao["Descricao", j]:= tf_SAP_procPadrao[ 2, i];
tf_procPadrao["tact time", j]:= str_to_num(tf_SAP_procPadrao[11, i]);
tf_procPadrao["tact efic", j]:= str_to_num(tf_SAP_procPadrao[12, i]);
tf_procPadrao["set up", j]:= str_to_num(tf_SAP_procPadrao[28, i]);
tf_procPadrao["lote min", j]:= str_to_num(tf_SAP_procPadrao[22, i]);

O trecho de código em questão é responsável por criar a tabela tf_procPadrao, contendo

informações selecionadas e filtradas da tabela tf_SAP_procPadrao. Esta última contempla
dados obtidos do sistema SAP® da planta da empresa.
Além disso, há o método responsável pela produção, o qual irá atribuir à manufatura,
todas as ordens selecionadas e sequenciadas pelos métodos anteriores.

tOP:= root.fr_dados.tf_ordemProd;
k:= tOP.yDim + 1;
tOP["OrdemProd", k]:= sOP;
tOP["Material" , k]:= sMat;
tOP["celula" , k]:= current.name;
tOP["idxCli" , k]:= idxCli;
tOP["status" , k]:= "A";
tOP["qtdOP" , k]:= iQtd;
tOP["embOP" , k]:= iEmb;
tOP["lTime" , k]:= lTime;
tOP["diaOP" , k]:= iHoje;
tOP["diaPlan" , k]:= diaPlan;
tOP["diaProgr" , k]:= diaProgr;
tOP["diaInic" , k]:= iHoje;
tOP["timeInic" , k]:= eventController.absSimTime;

Este trecho de código irá copiar as ordens de produção, definidas pelos métodos
anteriores, para as tabelas de programação diária.

tfEstq:= root.fr_dados.tf_infoPlan;
tfBOM := root.fr_dados.tf_BOM.mtd_buscaComp(sMat);
for j:= 1 to tfBOM.yDim loop
sComp:= tfBOM["Componente", j];
jQtd := tfBOM["qtd" , j] * iQtd;

tfEstq["reservARA", sComp]:= jQtd;

next;

Este código é responsável pela busca dos componentes a serem produzidos, assim como
suas quantidades, utilizando as informações de planejamento.
 var_emProducao:= true;
tOP:= root.fr_dados.tf_progrDoDia;
tOP["status" , sOPt]:= "I";
tOP["OrdemProd", sOPt]:= sOP;

Finalmente, há a sinalização para o modelo de que a célula está produzindo, assim é

possível gerar gráficos e relatórios para a aferição do desempenho de determinada célula.
Os outros dois métodos ainda existentes são responsáveis pelo ajuste do tempo de ciclo e
da quantidade produzida, conferindo ao modelo características mais precisas de um cenário real
de manufatura.

5. ADEQUAÇÃO DO MODELO DE SIMULAÇÃO

O modelo já existente, descrito na seção anterior e desenvolvido pela empresa parceira,

foi simplificado de forma a apresentar mais didaticamente e com maior clareza, o entendimento
geral do modelo e dos processos de fabricação, assim como proporcionar melhor entendimento
dos resultados obtidos na simulação.
Dessa maneira, o novo modelo, simplificado, utilizado está representado na Figura 9.

Figura 9 – Representação geral do modelo simplificado

Este modelo retrata uma das células manufatureiras, a célula A, apresentada e discutida
na seção 4, e proporciona maior nível de detalhamento dos processos intracelulares. Além disso,
são consideradas todas as operações efetivamente realizadas nesta célula, calibradas com os
dados obtidos nas etapas anteriores do projeto.
O modelo considera a produção de quatro itens distintos baseando-se em dados como
tempos processamento e setup.
Os arquivos de tabela, denominados TableFile na figura 9, representam os diferentes
tempos de setup dos quatro itens (1, 2, 3 e 4) em cada operação. Esses dados foram estimados e
extrapolados para três itens baseando-se no tempo de setup conhecido de um dos itens. As
demais informações como tempos de processamento, formações de estoque em processo entre
outras, foram cadastrados segundo observado na planta da empresa, durante a etapa de coleta de
dados.
6. ANÁLISE E DISCUSSÃO DOS RESULTADOS

Uma vez pronto o modelo simplificado da célula estudada, aplicou-se o algoritmo

genético (AG) com o intuito de determinar o sequenciamento ótimo dos itens produzidos,
considerando para isso o tempo de processamento de cada operação, assim como o tempo de
setup exigido por cada item em cada máquina.
Neste caso, a função a ser minimizada é o tempo total de simulação, representada pelo
comando:

root.EventController.SimTime

Ou seja, quanto menor o tempo de simulação que uma solução ou indivíduo apresentar,
maior será sua aptidão. Dessa maneira, a solução ótimo desejada corresponde àquela com o
menor tempo de simulação.
Foram consideradas, durante a otimização com AG, uma população inicial composta por
trinta indivíduos, que corresponde ao tamanho da geração, e cinquenta gerações de descendentes.
Além disso, foram feitas cinco observações por indivíduo para maior confiabilidade estatística.
Os resultados observados estão representados na figura 10.

Figura 10 – Gráfico de aptidão

 Nota-se que a melhor solução, apresentada em vermelho no gráfico da figura 10,
converge mais rapidamente para a solução ótima, enquanto que as demais soluções necessitam
de uma maior quantidade de iterações, ou seja, geração de descentes para atingir o mesmo
resultado.
Dessa forma, avaliando a melhor solução, verifica-se que o sequenciamento ótimo dos
itens considerados corresponde a: itens 4, 2, 3 e 1.

O ganho de quase 1 minuto pode ser considerado baixo, uma vez que representa apenas
0,4% do tempo total de simulação. Isso ocorre devido à pequena variação nos tempos de setup
dos itens considerados, entretanto sua aplicação é extremamente bem vinda em ambientes de
manufatura complexos já que o volume de dados inibe qualquer tentativa de otimização
utilizando ferramentas tradicionais. Para efeito de comparação, apenas neste modelo foram
gerados quase 3000 indivíduos, cada um correpondendo a uma solução distinta.

Observações:
- Devido à algumas limitações do método utilizado pelo software, a presença de falhas
não foram consideradas durante a otimização, ou seja, os processos apresentam 100% de
eficiência. Além disso, turnos também não puderam ser acrescentados;
- A otimização do modelo, por extensão, da célula de manufatura representada, está
configurada baseando-se apenas nos fluxos de materiais e agendamento de tarefas (scheduling),
ou seja, pode não representar a configuração ótima da célula se forem considerados mais
parâmetros como estoque em processo, custos de setup, entre outros fatores.
7. REFERÊNCIAS BIBLIOGRÁFICAS

DURIE, F.R.E. A survey of group technology and its potential for user application in UK.
Production Engineering, v.49, n.2, 1970

FERNANDES, J. Estudo da Implantação de um Layout Celular. Universidade do Estado de

Santa Catarina, 2007.

FERNANDES, F.C.F.; FILHO, M.G. Planejamento e Controle da Produção: Dos fundamentos

ao essencial. São Paulo: Editora Atlas, 2010.

OZDEN, M.; EGBELU, P.J.; IYER, A.V. Job scheduling in a group technology environment for
a single facility. Comput. & Indust. Engineering, v.9, n.1, pp. 66-72, 1985.

SÉRIO, L.C. Tecnologia de grupo no planejamento de um sistema produtivo. São Paulo: Ícone,
1990.

SINGH, N.; RAJAMANI, D. Cellular Manufacturing Systems. Design, planning and control.
Chapman & Hall, 1996.

SLACK, N.; CHAMBERS, S.; HARLAND, C.; HARRISON, A.; JOHNSTON, R.

Administração da Produção. São Paulo: Atlas, 1999.